計算機圍棋是人工智能（AI）的一個領域，致力于創建一個能下傳統棋盤游戲的計算機程序。該領域被尖銳地劃分為兩個時代。在2015年之前，這個時代的程序很弱。20世紀80年代和90年代的最佳努力只產生了可以被初學者打敗的人工智能，而21世紀初的人工智能充其量是中級水平。專業人士可以擊敗這些程序，即使是在對人工智能有利的10多塊石頭的情況下。許多在跳棋和國際象棋中表現良好的人工智能算法，在圍棋的19x19棋盤上都失敗了，因為有太多的分支可能性需要考慮。以當時的技術和硬件創造一個人類專業質量的程序是遙不可及的。一些人工智能研究人員推測，如果不創造出類似人類的人工智能，這個問題是無法解決的。蒙特卡洛樹搜索在圍棋算法中的應用在21世紀末的十年中提供了一個明顯的改進，程序最終能夠達到低段水平：一個較弱的專業人士的水平。更好的職業棋手仍然可以利用這些程序的弱點并持續獲勝，但人工智能的表現已經超過了中級水平。長期以來，人們一直認為在沒有殘局的情況下擊敗xxx的人類棋手這一誘人的未實現目標，帶來了新的興趣爆發。關鍵的洞察力被證明是機器學習和深度學習的應用。DeepMind是谷歌收購的一家致力于人工智能研究的公司，它在2015年制造了AlphaGo，并在2016年向世界宣布了它。2016年，AlphaGo在一場無手棋比賽中擊敗了職業九段李世石，然后在2017年擊敗了當時連續兩年保持世界xxx排名的柯潔。就像跳棋在1995年和國際象棋在1997年落入機器手中一樣，計算機程序在2016-2017年終于征服了人類最偉大的圍棋冠軍。DeepMind沒有發布AlphaGo供公眾使用，但此后根據DeepMind發布的描述AlphaGo及其變體的期刊文章，建立了各種程序。

專業的圍棋選手認為這個游戲需要直覺、創意和戰略思維。長期以來，它被認為是人工智能（AI）領域的一個困難挑戰，比國際象棋要難得多。該領域的許多人認為圍棋比國際象棋需要更多模仿人類思維的元素。數學家I.J.Good在1965年寫道。在電腦上下圍棋？-為了讓計算機編程下一盤合理的圍棋，而不僅僅是一盤合法的棋局--有必要將好的策略的原則正式化，或者設計一個學習程序。與國際象棋相比，這些原則更加定性和神秘，而且更依賴于判斷。因此，我認為讓計算機編程下一盤合理的圍棋比下象棋更難。在2015年之前，xxx的圍棋程序只能達到業余丹的水平。在9×9的小棋盤上，計算機的表現更好，一些程序在與職業棋手的9×9對局中成功地贏得了一小部分。在AlphaGo之前，一些研究人員曾聲稱，計算機永遠不會在圍棋上擊敗xxx人類。早期幾十年xxx個圍棋程序是由阿爾伯特-林賽-佐布里斯特在1968年編寫的，作為他關于模式識別論文的一部分。它引入了一個影響函數來估計領土和佐布里斯特散列法來檢測柯。1981年4月，喬納森-K-米倫在《字節》雜志上發表了一篇文章，討論了Wally，一個帶有15x15板的圍棋程序，適合在KIM-1微機的1K內存中使用。1984年11月，布魯斯-韋伯斯特（BruceF.Webster）在該雜志上發表了一篇文章，討論他為蘋果Macintosh編寫的圍棋程序，包括MacFORTH源代碼。圍棋的程序很弱；1983年的一篇文章估計，它們最多相當于20目，也就是一個天真的新手棋手的等級，而且往往只限于小棋盤。2003年，在互聯網圍棋服務器（IGS）的19x19大小的棋盤上下棋的人工智能，在硬件大幅改善之后，大約有20-15奎的實力。

1998年，非常強大的棋手能夠擊敗計算機程序，同時給出25-30子的殘局，這是一個巨大的殘局，很少有人類棋手會接受。在1994年的世界計算機圍棋錦標賽中，有一個案例，獲勝的程序GoIntellect在與青年棋手的三場比賽中全部輸掉，同時得到15石的殘局。一般來說，了解并利用程序弱點的棋手可以在比一般棋手大得多的xxx下獲勝。2007-2014:蒙特卡洛樹搜索2006年（2007年發表了一篇文章），RémiCoulom產生了一種新的算法，他稱之為蒙特卡洛樹搜索。在其中，一棵博弈樹像往常一樣被創建為潛在的未來，每一步都有分支。然而，計算機通過反復的隨機播放，對樹的終端葉子進行評分（類似于其他游戲的蒙特卡洛策略）。